Автоматизированная система управления техническим состоянием газоперекачивающих агрегатов

• Автор: Максименко, Анатолий Валерьевич
• Шифр специальности: 05.13.06
• Научная степень: Кандидатская
• Год защиты: 2015
• Место защиты: Оренбург
• Количество страниц: 144 с. : ил.

ОГЛАВЛЕНИЕ
Введение
1 Обзор методов идентификации технического состояния газоперекачивающих агрегатов
1.1 Задача идентификации технического состояния
газоперекачивающих агрегатов на газокомпрессорных
станциях
1.2 Основные принципы технического обслуживания
газоперекачивающих агрегатов
1.3 Основные факторы, оказывающие влияние на загрязнение лопаток осевого компрессора
1.4 Существующие решения задачи идентификации и управления техническим состоянием газоперекачивающих
агрегатов
1.5 Использование ассоциативных нейросетевых структур для
решения задачи идентификации
Выводы по первому разделу
2 Разработка модели идентификации технического состояния газоперекачивающих агрегатов
2.1 Идентификация технического состояния
2.2 Методика формирования набора обучающих векторов и нулевого слоя нейросетевой структуры
2.3 Разработка математической модели идентификации
технического состояния
2.4 Емкость ассоциативной памяти нейросетевой структуры
2.5 Алгоритм решения задачи идентификации и прогнозирования
2.6 Разработка алгоритма обучения клеточного слоя нейросетевой структуры
2.6.1 Разработка структуры и основные особенности функционирования алгоритма
2.6.2 Параллелизм модифицированного генетического
алгоритма
Выводы по второму разделу
3 Автоматизированная система управления техническим состоянием газоперекачивающих агрегатов с газотурбинным приводом «ТО вРА»
3.1 Разработка структуры системы
3.2 Организация электронного документооборота системы и подсистем обработки данных
3.3 Разработка интерфейсной части системы и управление
процессами
Выводы по третьему разделу
4 Проведение экспериментального исследования и оценки адекватности разработанной модели идентификации технического состояния
4.1 Организация сбора данных и прогнозирования
4.2 Верификация модели
4.3 Оценка точности для различных периодов функционирования

Выводы по четвертому разделу
Заключение
Список использованных источников
Приложение А. Акт внедрения результатов работы
Приложение Б. Свидетельство о регистрации программного
средства (РОССПАТЕНТ)
Приложение В. Фрагменты программного кода системы
Приложение Г. Электронные таблицы и суточная динамика
технического состояния
Приложение Д. Исходные данные
ВВЕДЕНИЕ
Развитие газовой и ряда смежных отраслей промышленности сегодня в значительной степени зависит от дальнейшего совершенствования эксплуатации и обслуживания систем трубопроводного транспорта природных газов из отдаленных и порой слабо освоенных регионов в промышленные и центральные районы страны.
Режим работы современного газопровода, несмотря на наличие станций подземного хранения газа, являющихся накопителями природного газа, характеризуется неравномерностью подачи газа в течение года.
В зимнее время газопроводы работают в режиме максимального обеспечения транспорта газа. В случае увеличения расходов пополнение системы обеспечивается за счет отбора газа из подземного хранилища. В летнее время, когда потребление газа снижается, загрузка газопроводов обеспечивается за счет закачки газа на станцию подземного хранения газа.
Оборудование и обвязка компрессорных станций (КС) приспособлены к переменному режиму работы газопровода. Количество газа, перекачиваемого через КС, можно регулировать включением и отключением числа работающих газоперекачивающих агрегатов с газотурбинным приводом (ГПА), изменением частоты вращения силовой турбины у ГПА с газотурбинным приводом и т.п.
Однако во всех случаях стремятся к тому, чтобы необходимое количество газа перекачать меньшим числом агрегатов, что приводит естественно к меньшему расходу топливного газа на нужды перекачки и, как следствие, к увеличению подачи товарного газа по газопроводу.
Регулирование пропускной способности газопровода отключением работы отдельных КС при расчетной производительности газопровода обычно не практикуется из-за перерасхода энергозатрат на компремирование газа при такой схеме работы. И только в тех случаях, когда подача газа по газопроводу заметно

большого количества элементов нейроподобной сети (до 10 %, а иногда и более) не приводит к отказам в работе всей структуры. Надо отметить, что хотя источник высокой надежности нейроподобных структур обычный - дублирование элементов, в отличие от традиционных схем дублирования оно не приводит к избыточным затратам аппаратуры, поскольку в нейроподобных структурах каждый элемент принимает участие в реализации многих функций, что позволяет при высокой степени дублирования экономно использовать рабочие элементы.
Отказ каждого элемента в нейроподобной структуре ведет к ухудшению многих функций, но это ухудшение настолько мало, что его, как правило, практически невозможно обнаружить.
Исследования А. А. Короткого и В. В. Майорова а также работы A.B. Селихова показали высокую перспективность использования нейронных сетей на основе нейрофизиологических феноменов для построения систем наблюдения и прогнозирования [б].
Двунаправленная ассоциативная память (ДАП) является гетероассоциативной; входной вектор поступает на один набор нейронов, а соответствующий выходной вектор вырабатывается на другом наборе нейронов.
Как и сеть Хопфилда, ДАП способна к обобщению, вырабатывая правильные реакции, несмотря на искаженные входы. Кроме того, могут быть реализованы адаптивные версии ДАП, выделяющие эталонный образ из зашумленных экземпляров. Эти возможности сильно напоминают процесс мышления человека и позволяют искусственным нейронным сетям сделать шаг в направлении моделирования мозга.
Входной вектор А обрабатывается матрицей весов IV сети, в результате чего вырабатывается вектор выходных сигналов нейронов В. Вектор В затем обрабатывается транспонированной матрицей IV1 весов сети, которая вырабатывает новые выходные сигналы, представляющие собой новый входной вектор А.